Упражнение. Развертывание модели и использование конечной точки

Завершено

Наша модель работает удовлетворительно, поэтому выполним ее развертывание.

Есть несколько вариантов развертывания. Выбор варианта зависит от того, как вы хотите использовать модель машинного обучения. Можно выполнить развертывание в конечной точке или экспортировать модель для развертывания на разных платформах.

Мы обсудим развертывание в конечной точке и использование модели с помощью приложения.

Развертывание в конечной точке

Вы можете выполнить развертывание в конечной точке, получая URL-адрес прогноза или используя API в приложении Python.

Выберите URL-адрес прогнозирования

1. На портале Пользовательского визуального распознавания вверху выберите Производительность.

2. Выберите Опубликовать.

3. В разделе Публикация модели щелкните Ресурс прогнозирования и укажите имя прогноза для проекта Пользовательского визуального распознавания. Выберите Опубликовать.

   

   После публикации модели действия для модели изменятся на портале Пользовательского визуального распознавания.

4. Выберите вкладку URL-адрес прогнозирования.

5. В разделе Как использовать API прогнозирования в текстовом поле Если у вас есть URL-адрес изображения скопируйте и сохраните значение, а затем щелкните Понятно.

   

Использование API в приложении Python

Обученная модель, работающая с удовлетворительной точностью, готова к использованию в приложении.

1. На портале Azure перейдите к группе ресурсов, содержащей ваш ресурс Пользовательского визуального распознавания. Ресурс с именем <YourCustomVisionResourceName>-Prediction отображается с исходной группой ресурсов.

   

2. Затем выберите имя прогноза, чтобы открыть страницу Обзор. На этой странице содержатся ссылки на ресурсы с дополнительными сведениями о том, как вызывать API для получения прогнозов из модели.

3. В разделе Начало работы в разделе 3 необходимо выбрать ссылку Краткое руководство по Python. Краткое руководство по классификации образов служб искусственного интеллекта Azure для Python открывается в веб-браузере.

   

   Ниже приведен пример кода для вызова API прогнозирования в Python. Полный код см. в кратком руководстве.

   from azure.cognitiveservices.vision.customvision.prediction import CustomVisionPredictionClient
   
   # Create variables for your resource; replace variables with valid values.
   prediction_key = "<YourKey>"
   endpoint = "<YourEndpoint>"
   base_image_url = "<BasePathToImageFolder>"
   
   # An example of a default iteration name is "Iteration1".
   publish_iteration_name = "<PublishedIterationName>"
   
   # You can find the project ID in the settings of the Custom Vision project in the portal.
   project.id = "<CustomVisionProjectId>"
   
   # Now, you have a trained endpoint that you can use to make a prediction.
   prediction_credentials = ApiKeyCredentials(in_headers={"Prediction-key": prediction_key})
   
   predictor = CustomVisionPredictionClient(endpoint, prediction_credentials)
   
   with open(base_image_url + "images/Test/test_image.jpg", "rb") as image_contents:
       results = predictor.classify_image(
           project.id, publish_iteration_name, image_contents.read())
   
   # Display the results.
   for prediction in results.predictions:
       print("\t" + prediction.tag_name +
            ": {0:.2f}%".format(prediction.probability * 100))
   

При публикации в опубликованной конечной точке вы получаете результат, который выглядит как приведенный ниже пример. Показывается вероятность каждого тега, на котором обучалась модель Пользовательского визуального распознавания, с сортировкой по самой высокой оценке. Модель распознает только типы птиц, распознаванию которых она была обучена. При публикации изображения птицы, распознавать которую модель не обучена, модель указывает один из видов птиц, распознавать которые она была обучена, как вид новой птицы.

American Crow: 99.18%
Common Grackle: 25.34%
Red-tailed Hawk (Dark morph): 4.09%
Mourning Dove: 1.74%
American Robin (Adult): 0.92%
House Sparrow (Female): 0.40%
American Robin (Juvenile): 0.31%
Northern Cardinal (Adult Male): 0.24%
Tufted Titmouse: 0.04%
Blue Jay: 0.04%
House Sparrow (Male): 0.04%
Northern Cardinal (Female): 0.04%
Red-tailed Hawk (Light morph immature): 0.02%
American Goldfinch (Male): 0.02%
House Wren: 0.01%
American Goldfinch (Female): 0.01%

Теперь у вас есть опыт использования созданной модели машинного обучения. Используя новые данные для анализа, вы можете тщательнее регистрировать поведение птиц, чтобы помочь сохранить их среду обитания и увеличить популяцию исчезающих видов птиц. Все с помощью Azure AI Пользовательское визуальное распознавание!